O que custa não se render: o relatório do MIT sobre IA e educação, lido com outro orçamento

Sun, 20 Sep 2026 00:00:00 +0000

Sobre: Report — AI and Education, Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training, MIT, 13 de agosto de 2026. .

Atualizado em 29 de setembro: no final.

Em meados de setembro, um relatório universitário de agosto virou notícia internacional graças a duas palavras. Cognitive surrender: rendição cognitiva. A expressão viajou da CNN aos jornais da Índia e da Malásia em quarenta e oito horas, com a forma que essas coisas costumam tomar quando saem do documento que as produziu —a IA está deixando os estudantes burros, as universidades não sabem o que fazer—, e essa forma é mais pobre que o relatório. Vale a pena lê-lo inteiro, porque seu argumento não é sobre a inteligência de ninguém. É sobre o que é preciso para que aprender siga sendo possível, e essa pergunta, feita no MIT, tem uma resposta que aqui é preciso pagar em outra moeda.

O que diz o relatório

O comitê ad hoc do MIT sobre uso de IA em ensino, aprendizagem e formação em pesquisa, copresidido por Eric Klopfer e Sam Madden, parte de uma constatação que não discute: a IA generativa já produz respostas críveis a boa parte do trabalho escrito de graduação da sua própria instituição, incluindo ensaios, problemas de matemática e de ciências, demonstrações e exercícios de programação. Daí não tira a conclusão que se esperaria. Não propõe voltar à avaliação anterior à IA, que considera inviável, e tampouco propõe detectar. Propõe redesenhar.

A peça conceitual é a distinção entre obter a resposta e aprender. Conseguir a resposta certa de um chatbot, diz o relatório, produz a ilusão de ter aprendido, e pode disparar a rendição cognitiva: o estudante recorre à IA ao primeiro indício de dificuldade. O que se perde nessa transação não é a resposta —a resposta está lá, e costuma estar certa— e sim o embate, aquele trecho incômodo em que o esforço se converte em conhecimento durável e, sobretudo, em critério para julgar uma resposta alheia. O relatório registra o efeito na forma de um padrão: a IA melhora o desempenho na tarefa domiciliar e o piora na prova presencial vigiada.

A segunda peça é a que a imprensa não levantou, e é a mais interessante. O relatório documenta mudanças na vida do campus que não são problemas de integridade acadêmica: menos presença nos horários de atendimento, menos grupos de estudo presenciais, menos participação nas discussões on-line. Aí o relatório deixa de falar de conduta individual e começa a falar de outra coisa. Os horários de atendimento, os grupos de estudo, a tutoria, a crítica entre pares e a participação em pesquisa não são experiências complementares da vida universitária: são a maneira como se aprende o critério profissional, e são a primeira coisa a se esvaziar quando cada estudante pode resolver seu problema sozinho às três da manhã. O objeto do relatório, dito num vocabulário que o relatório não usa, é a organização social da aprendizagem.

Daí saem as recomendações, e convém enumerá-las porque na enumeração está o argumento deste texto: provas orais, portfólios de semestre, trabalhos acompanhados de conversa em aula, históricos de trabalho documentados, marcos de projeto, aprendizagem experiencial, aprendizagem social estruturada dentro de cada disciplina, tutoria, e preservação dos cargos de pesquisa de graduação. Mais duas coisas de política: que cada disciplina diga explicitamente quando a IA está proibida, permitida ou é obrigatória, e por quê; e que os docentes sejam transparentes com seus estudantes sobre o próprio uso de IA para preparar materiais, dar devolutivas e corrigir.

Duas dessas posições merecem ser concedidas inteiras. A primeira é sobre os detectores: o relatório adverte que são pouco confiáveis nos casos ambíguos, que produzem falsos positivos sobre estudantes que não têm o inglês como língua materna e sobre estudantes neurodivergentes, e que instalam uma cultura de polícia. É uma advertência com geografia, ainda que o relatório não a nomeie: em qualquer universidade do mundo, o estudante que escreve numa língua que não é a sua vem majoritariamente de um lugar mais pobre que o campus onde estuda, de modo que o custo do falso positivo não se reparte ao acaso. A segunda é a transparência docente, que é a parte do relatório que vai resultar mais incômoda dentro das instituições, porque impede o arranjo que qualquer faculdade apressada estaria tentada a fazer: restringir a IA ao estudante enquanto se automatiza caladamente o trabalho de ensinar.

O problema da lista

Lida de um gabinete de direção do MIT, essa lista é um plano de trabalho. Lida de uma universidade pública latino-americana, é uma fatura.

Vejamos o que têm em comum a prova oral, o portfólio com devolutiva, a conversa em aula sobre o trabalho entregue, o acompanhamento de marcos de projeto, a tutoria e o cargo de pesquisa de graduação. Todas são formas de avaliação e de ensino cujo custo cresce de maneira linear com a quantidade de estudantes, porque todas consomem tempo docente por estudante e não por curso. A prova escrita de múltipla escolha, o exame padronizado e o trabalho prático corrigido com rubrica existem justamente porque desacoplam o custo do volume: são as tecnologias que permitiram a universidade de massas. O relatório do MIT propõe, sem dizer assim, acoplá-los de novo. E tem razão, porque o embate que quer proteger só se torna visível em formatos em que alguém olha um estudante fazer alguma coisa. Mas isso significa que a resposta certa à rendição cognitiva não é uma metodologia: é uma relação docente-estudante, e uma relação docente-estudante é uma rubrica orçamentária.¹

O relatório não esconde isso. Recomenda financiar projetos-piloto, formar instrutores, criar figuras institucionais dedicadas e sustentar um comitê permanente. Isto é, sabe que o que propõe custa, e descreve como pagá-lo numa instituição que pode. O problema aparece quando o documento viaja, porque viaja sem a nota de rodapé que diz quanto sai, e chega a sistemas onde a pergunta pelo custo não é um detalhe de implementação e sim a pergunta inteira.

Oitenta e sete e oito

Para essa viagem há, desta vez, um número do outro lado. Em 9 de setembro, na Semana da Aprendizagem Digital em Paris, a UNESCO IESALC apresentou La implementación de la IA en la educación superior en América Latina y el Caribe, um estudo de Arianna Valentini sobre 200 instituições de 19 países, com trabalho de campo entre agosto e outubro de 2025. Os números principais são cinco e se leem melhor juntos: 87% das instituições já usam inteligência artificial em alguma de suas atividades; 26% têm uma estratégia formal; 18,5% têm políticas institucionais integrais; 9% têm mecanismos formais de avaliação; 8% têm orçamento próprio destinado ao tema. Do lado das pessoas, 92% dos estudantes e 79% dos docentes da região já usam IA. A adoção é mais alta no ensino (73,5%) que na pesquisa (57%), na administração (34,1%) e na extensão (20%), e o impulso vem de docentes, pesquisadores e estudantes: não de decisões institucionais.

Esse último dado é o que aparenta o estudo com outro da mesma semana. A pesquisa que a UNESCO e o ICOM publicaram em 17 de setembro sobre mais de 400 museus de 90 países encontrou a mesma estrutura com outros percentuais: 57% usam IA, 55% não têm nenhuma política escrita, e a adoção é exploratória e vem do pessoal. Universidades e museus de três continentes estão fazendo a mesma coisa. Adotam por iniciativa individual e governam depois, se chegam.

Posto ao lado do relatório do MIT, o quadro se ordena assim. No MIT, o risco é que a IA erode um conjunto de práticas densas em trabalho humano que a instituição ainda tem e pode pagar. Aqui, 87% já adotaram e 8% têm com que pensar o que adotaram, de modo que o risco não é a erosão dessas práticas e sim algo anterior: que nunca se discuta se é preciso tê-las. O relatório do MIT adverte sobre uma perda. Nesta região, boa parte do que se perderia vem funcionando há anos com a fita adesiva da boa vontade docente.

A causa que chega em segundo

Há uma recomendação do relatório que no Norte soa preventiva e aqui descreve um fato consumado. O comitê pede que se preservem os cargos de pesquisa de graduação (o MIT os chama de UROP) e adverte que substituir o pesquisador novato por agentes de IA eliminaria não só algumas tarefas, mas a porta de entrada para uma comunidade de pesquisa e para uma identidade profissional. É exatamente o argumento que este blog discutiu há duas semanas , com uma diferença de calendário que muda tudo: aqui essa porta vem se fechando desde 2023, e não foi a inteligência artificial que a fechou. Fecharam-na as bolsas que não foram renovadas e os ingressos na carreira que não foram abertos.

A consequência dessa diferença é de atribuição, e não é pequena. Quando uma tecnologia chega para ocupar um buraco que já estava cavado, o relato institucional que fica escrito é que a tecnologia cavou o buraco. Se daqui a cinco anos uma universidade da região constatar que seus grupos de pesquisa não incorporam gente jovem, vai ter à mão uma explicação prestigiosa, internacional e publicada pelo MIT, e vai ter de fazer um esforço deliberado para lembrar que o ajuste chegou primeiro. Isso importa porque as duas causas se corrigem com políticas distintas: contra a substituição por agentes serve uma regra sobre que tarefas não se automatizam; contra o esvaziamento orçamentário não serve nenhuma regra sobre IA. Confundi-las produz instituições que escrevem protocolos impecáveis sobre um sistema que ficou sem gente.

E na direção oposta, a mesma confusão habilita o movimento que convém antecipar agora, enquanto ainda não tem nome próprio. Um sistema universitário sem dinheiro, com matrícula crescente e com uma relação docente-estudante que piora todos os anos, é o cliente ideal para a tutoria personalizada automatizada, a correção assistida e a devolutiva gerada. Cada uma dessas compras se justifica com o argumento certo —o estudante que hoje não recebe nenhuma devolutiva vai receber alguma—, e o argumento certo é, além disso, verdadeiro. A pergunta não é se isso melhora a situação de partida. É o que fica fixado quando a melhora se instala: se a devolutiva automatizada passa a ser o piso do sistema, a discussão sobre quantos docentes são necessários se torna, para sempre, uma discussão sobre licenças.

O mais barato da lista

Resta uma saída que não depende do orçamento, e é a parte do relatório do MIT que menos foi citada. Entre todas as recomendações caras há uma gratuita: que cada disciplina declare explicitamente quando a IA está proibida, quando permitida e quando é obrigatória, e explique por quê, em termos do que se supõe que o estudante tenha de aprender ali. Não exige cargos novos, nem licenças, nem plataformas, nem mudar o regime de avaliação. Exige um parágrafo no programa da disciplina e uma conversa de equipe antes do semestre.

O dado dos 18,5% diz que nem isso foi feito. É o ponto em que o diagnóstico da restrição orçamentária deixa de bastar como explicação, porque escrever essa regra não custa dinheiro: custa tomar posição, que é mais incômodo. Enquanto não estiver escrita, o estudante que quer se portar bem não tem como saber o que se espera dele, o docente que quer sustentar uma exigência não tem com que respaldá-la, e a única política institucional efetiva acaba sendo a do silêncio, que na prática autoriza tudo e não protege ninguém.²

O que fica em aberto

O relatório do MIT faz algo que neste debate quase ninguém faz, e por isso vale relê-lo: trata a sala de aula como um sítio de governança da IA e não como um lugar onde se aplica o que foi decidido em outra parte. Essa é a parte exportável, e é a que sobrevive à diferença de orçamento. A rendição cognitiva não se combate com software de vigilância nem com automação administrada por um fornecedor; combate-se com trabalho pedagógico, com espaços compartilhados de estudo, com infraestrutura aberta e auditável, e com formas de avaliação que tornem visível o processo e não apenas o produto.

O que não é exportável é a tabela de preços. E a pergunta que fica em aberto é qual das duas coisas vai viajar mais rápido. Um relatório se baixa de graça; uma prova oral para uma turma de duzentos estudantes, não. Se as universidades da região adotarem o diagnóstico sem o investimento, o resultado previsível não é um sistema que protege o embate produtivo: é um sistema que sabe exatamente o que está perdendo e não tem com que evitá-lo, o que, em matéria de política educacional, costuma ser pior do que não ter ficado sabendo. Vale a pena que o diagnóstico chegue mesmo assim. Mas convém que chegue acompanhado da pergunta que o relatório não tem por que se fazer e aqui não se pode driblar: quem paga as horas necessárias para que um estudante tenha com quem embater.³

Adendo, 29 de setembro

Dois textos das últimas semanas tocam a pergunta que este post deixou em aberto e a respondem de maneiras opostas, então convém colocá-los ao lado do relatório.

O primeiro é de Brian Klaas, e o o publicou no dia 26 com o título “La gran brecha cognitiva” (o é de junho). Sua tese é que a IA funciona como uma academia cognitiva: amplifica quem já tem hábitos de pensamento crítico e deixa para trás quem lhe delega o esforço. Apoia-se nos dois estudos que quase todo mundo que escreve sobre isso cita. Um do MIT, de 2025 e com uma amostra pequena, registrou menor conectividade cerebral em quem escrevia um ensaio com o ChatGPT, e dificuldade para lembrar o que acabara de escrever. Outro, de 2026, constatou que quem aprende com assistência de IA persiste menos e desiste antes. A recomendação final é individual: diante de cada uso, perguntar-se se a ferramenta complementa o próprio pensamento ou o substitui.

A descrição é correta e a conclusão fica curta, justamente onde o relatório do MIT é melhor. Se a IA amplifica o que o estudante já traz, a fissura não é produzida pela disposição de cada um e sim pelo que cada um traz, e isso foi produzido por uma instituição: alguém que corrigiu, que devolveu, que fez uma pergunta incômoda num horário de atendimento. A pergunta de Klaas só pode ser feita por quem já aprendeu a pensar sem a ferramenta. Convertê-la em política é transferir ao estudante a tarefa que o relatório atribui à universidade. E num sistema em que 8% das instituições têm orçamento para o tema, é exatamente a política que vai ser adotada, porque é a única gratuita. Klaas anota de passagem que não há um Vale do Silício em Madagascar. Na maioria das universidades da região também não há alguém com tempo para ensinar a usar a academia.

O segundo é a matéria da sobre os matemáticos que odeiam a IA e não conseguem largá-la, da qual cito duas frases pelas reproduções que circularam, porque o texto está atrás de um paywall. Jared Speck, de Vanderbilt, lembra sua formação: “Quando eu estava começando, me davam problemas que meus veteranos provavelmente podiam resolver com mais facilidade, ou pelo menos mais rápido. Mas estavam investindo em mim”. É o argumento do relatório sobre os cargos de iniciação científica, dito por alguém que se beneficiou de um, e é a de Tao contada do outro lado. A segunda é de Noga Alon, de Princeton, sobre os problemas que a IA começou a resolver: uma vez que ela o faz, “já não tem sentido”. As duas frases descrevem a mesma coisa. Um problema de formação deixa de ter sentido como problema quando a máquina o resolve, e justamente por isso fazia sentido dá-lo a alguém: quem o atribuía sabia que a resposta existia, e o que comprava era a pessoa que ia encontrá-la. Essa compra é a rubrica orçamentária de que fala este post, e nenhum estudo de conectividade cerebral a substitui.

Convém não romantizar o formato oral, porque tem seus próprios problemas e nem todos são de custo. A avaliação oral premia a fluência verbal e penaliza a timidez, a gagueira e o sotaque, e é mais permeável ao viés do avaliador que uma correção anônima; em sistemas com turmas massivas, além disso, sua implementação apressada costuma degenerar num interrogatório de três minutos que não avalia compreensão e sim nervos. Nada disso a descarta: diz que o formato exige critérios escritos, capacitação e tempo, isto é, exatamente os mesmos recursos de que precisa todo o resto da lista. A vantagem da prova oral não é ser à prova de IA —nenhuma avaliação é— e sim tornar visível o processo, e essa vantagem se perde se for adotada apenas como defesa. ↩︎
Uma precisão sobre que tipo de regra serve. A que funciona não é “é proibido usar IA”, que é inverificável e que o próprio relatório do MIT desaconselha, mas a que declara que capacidade está sendo avaliada em cada instância. “Neste trabalho se avalia se você consegue derivar o resultado, então a derivação você faz, e pode usar IA para revisar a redação” é uma regra que um estudante pode cumprir de boa-fé e que um docente pode sustentar sem vigiar ninguém, porque quem a descumpre fica sem a capacidade que a disciplina ia lhe dar. Dito de outro modo: a regra útil não protege a integridade do trabalho entregue, protege o motivo pelo qual ele foi pedido. ↩︎
A objeção reflexiva que cabe. Este texto é escrito com as mesmas ferramentas cujo efeito pedagógico discute, e num blog que não presta exame. A diferença entre usar IA para escrever isto e usá-la para resolver um problema de graduação não está na ferramenta e sim em onde está o embate: aqui a discussão com o relatório é sustentada pela leitura prévia, que levou anos e foi paga por um sistema público, e essa é precisamente a parte que um estudante que se rende na primeira dificuldade nunca vai acumular. O que, se a gente pensar dois segundos, não é uma defesa deste texto: é a razão pela qual daqui a quinze anos não vai haver quem escreva o equivalente. ↩︎

Sam Madden | guIA